论文部分内容阅读
湖泊与大气之间的物质、能量传输是边界层气象学中陆气相互作用研究的基本内容之一。湖泊下垫面对大气的热强迫机制是大气数值模拟研究中的重要部分。青藏高原是全球大气的重要热源和全球气候变化影响下的敏感区域。长期、定点、连续的高寒湖泊湖面水热湍流通量观测实验是数值模式陆面过程参数优化和气候变化影响高原环境研究的重要依据。本文利用涡动相关湍流通量观测系统在2016、2017年4月至12月于羊卓雍错采集的水热通量和环境气象要素数据，以机器学习模拟通量的方式优化了水热通量数据时间序列的连续性，并在此基础上分析了水热通量的变化特征和气候影响因子。主要结论如下:
(1)通量数据连续性优化的方法改进。源区划分和质量过滤可提高涡动相关通量数据的可靠性，但同时降低了其时间序列的连续性。本文基于TensorFlow框架构建了一种超宽神经网络结构，可用于涡动相关通量数据的连续性优化。基于该结构的人工神经网络可更加有效地通过微气象特征来估算通量强度。在神经网络的特征工程中，本文未采取仅输入与通量存在较高统计相关性变量的做法，而是基于尽可能多地获取湍流输送过程中热力、动力学微气象背景强迫信息的原则来选择变量。通过神经网络模拟通量修补，羊卓雍错湖面水热通量数据在观测其内的时间覆盖率从不足0.4提升至0.98以上。本文采用10次折叠交叉验证方法检验了神经网络的通量模拟性能，结果显示在感热/潜热通量的平均值约为19W m-2/81W m-2的情况下，10个检验组中感热通量模拟平均绝对误差最小/最大为5.15W m-2/5.76W m-2，潜热通量最小/最大为15.23W m-2/16.39Wm-2。神经网络对感热通量、潜热通量数据序列的模拟偏差率平均分别为28.73％、19.33％，模拟误差水平在各个检验组之间波动较小，显示出了较好的稳健性。依靠大数据并行计算技术，本文提出的数据连续性优化方法将超宽神经网络结构应用到了涡动相关通量模拟中。本文对神经网络特征信息采取了饱和输入方案，只要微气象背景强迫对湍流输送过程存在影响就将其加入特征变量，忽略噪声比例。这为涡动相关通量观测数据的插补优化提供了一种新思路，有效地提升了羊卓雍错涡动相关通量数据的可分析性。
(2)湖面水热通量及气象要素变化特征。观测期间，羊卓雍错湖面潜热通量平均值显著高于感热通量，两者在2016、2017年分别为79.2W m-2和14.8Wm-2、74.3Wm-2和14.3W m-2;湖面4-6月、10-12月水热通量日变化幅度显著大于7-9月，这3个时段对应的感热通量/潜热通量日变化标准差分别为10.05Wm-2/25.95Wm-2、9.56Wm-2/34.45Wm-2、5.22Wm-2/17.25Wm-2;感热通量、潜热通量均在10-11月达到峰值，分别为25.76W m-2、105.07W m-2，相比湖面温度变化滞后约1-2月。2016年4月是全部两年观测期间水热通量月平均值中唯一为负的月份，该月感热通量强度为-1.23Wm-2。气象要素方面，湖面净辐射逐月平均日变化特征在2016、2017两年观测期间内总体一致，表现为显著的昼夜波动。相对湿度在2016、2017年观测期间内平均值为52.3％、50.3％，其日平均值波动较大且阶段性变化明显。2016年湖面温度平均值为8.1℃，最低、最高温分别为-0.3℃、14.4℃;距湖面2m处平均气温为6.7℃，最低、最高气温分别为-6.2℃、13.5℃。2017年湖面温度平均值为8.3℃最低和最高温度分别为0℃和14.8℃;距湖面2m处平均气温为6.6℃，最低、最高气温分别为-5.7℃和13.5℃。总体而言，6-11月的湖面温度显著高于距水面2m高度处的气温。
(3)湖面湍流水热通量变化的主要气候因子。水面净辐射、相对湿度、水面温度和空气温度是影响湖面水热通量强度的关键气候因子。湖面水热通量往往会因上述某一个或多个关键因子的变化而强烈波动。但在不同的时间尺度上，这些关键因子对湖面湍流水热通量的影响差别显著。半小时尺度上，潜热通量与风速、e-U协同（风速与水汽压差之乘积）均呈现较高正相关性，二者相关系数分别为0.71、0.67。日平均尺度上，感热通量与湖-气温差的相关系数为0.68，为该时间尺度上所有变量组合中的最高值。感热通量、潜热通量与水面净辐射在日平均尺度上相关系数分别为-0.41、-0.22，而纳木错等其它高寒湖泊的湍流通量研究对此项指标的观测结果为正相关。在相关性统计方法一致的前提下，本文从湖泊与湖面大气热力性质差异的角度阐释了上述指标为负相关的合理性。月平均尺度上，感热通量与湖-气温差的相关系数为0.87。感热通量、潜热通量与水面净辐射的负相关性更高，相关系数分别为-0.65、-0.53，这种负相关性可以由湖泊在季节变化中的周期性能量收支解释。通过多尺度的湖面湍流水热通量气候归因，本文发现，羊卓雍错的水热湖-气相互作用呈现出显著高寒湖泊特征。湍流水热通量对单一气候因子变化的响应较为敏感，这表明湖泊水热平衡态的稳定性较弱，在不确定性较强的未来气候变化影响下，羊卓雍错流域存在局地气候调节功能减弱、生态系统退化的风险。陆气相互作用方面，高寒湖泊的气候敏感性意味着在长期的气候模拟预测中，干湿变化将在一定程度上改变高原的大气热源作用。
(1)通量数据连续性优化的方法改进。源区划分和质量过滤可提高涡动相关通量数据的可靠性，但同时降低了其时间序列的连续性。本文基于TensorFlow框架构建了一种超宽神经网络结构，可用于涡动相关通量数据的连续性优化。基于该结构的人工神经网络可更加有效地通过微气象特征来估算通量强度。在神经网络的特征工程中，本文未采取仅输入与通量存在较高统计相关性变量的做法，而是基于尽可能多地获取湍流输送过程中热力、动力学微气象背景强迫信息的原则来选择变量。通过神经网络模拟通量修补，羊卓雍错湖面水热通量数据在观测其内的时间覆盖率从不足0.4提升至0.98以上。本文采用10次折叠交叉验证方法检验了神经网络的通量模拟性能，结果显示在感热/潜热通量的平均值约为19W m-2/81W m-2的情况下，10个检验组中感热通量模拟平均绝对误差最小/最大为5.15W m-2/5.76W m-2，潜热通量最小/最大为15.23W m-2/16.39Wm-2。神经网络对感热通量、潜热通量数据序列的模拟偏差率平均分别为28.73％、19.33％，模拟误差水平在各个检验组之间波动较小，显示出了较好的稳健性。依靠大数据并行计算技术，本文提出的数据连续性优化方法将超宽神经网络结构应用到了涡动相关通量模拟中。本文对神经网络特征信息采取了饱和输入方案，只要微气象背景强迫对湍流输送过程存在影响就将其加入特征变量，忽略噪声比例。这为涡动相关通量观测数据的插补优化提供了一种新思路，有效地提升了羊卓雍错涡动相关通量数据的可分析性。
(2)湖面水热通量及气象要素变化特征。观测期间，羊卓雍错湖面潜热通量平均值显著高于感热通量，两者在2016、2017年分别为79.2W m-2和14.8Wm-2、74.3Wm-2和14.3W m-2;湖面4-6月、10-12月水热通量日变化幅度显著大于7-9月，这3个时段对应的感热通量/潜热通量日变化标准差分别为10.05Wm-2/25.95Wm-2、9.56Wm-2/34.45Wm-2、5.22Wm-2/17.25Wm-2;感热通量、潜热通量均在10-11月达到峰值，分别为25.76W m-2、105.07W m-2，相比湖面温度变化滞后约1-2月。2016年4月是全部两年观测期间水热通量月平均值中唯一为负的月份，该月感热通量强度为-1.23Wm-2。气象要素方面，湖面净辐射逐月平均日变化特征在2016、2017两年观测期间内总体一致，表现为显著的昼夜波动。相对湿度在2016、2017年观测期间内平均值为52.3％、50.3％，其日平均值波动较大且阶段性变化明显。2016年湖面温度平均值为8.1℃，最低、最高温分别为-0.3℃、14.4℃;距湖面2m处平均气温为6.7℃，最低、最高气温分别为-6.2℃、13.5℃。2017年湖面温度平均值为8.3℃最低和最高温度分别为0℃和14.8℃;距湖面2m处平均气温为6.6℃，最低、最高气温分别为-5.7℃和13.5℃。总体而言，6-11月的湖面温度显著高于距水面2m高度处的气温。
(3)湖面湍流水热通量变化的主要气候因子。水面净辐射、相对湿度、水面温度和空气温度是影响湖面水热通量强度的关键气候因子。湖面水热通量往往会因上述某一个或多个关键因子的变化而强烈波动。但在不同的时间尺度上，这些关键因子对湖面湍流水热通量的影响差别显著。半小时尺度上，潜热通量与风速、e-U协同（风速与水汽压差之乘积）均呈现较高正相关性，二者相关系数分别为0.71、0.67。日平均尺度上，感热通量与湖-气温差的相关系数为0.68，为该时间尺度上所有变量组合中的最高值。感热通量、潜热通量与水面净辐射在日平均尺度上相关系数分别为-0.41、-0.22，而纳木错等其它高寒湖泊的湍流通量研究对此项指标的观测结果为正相关。在相关性统计方法一致的前提下，本文从湖泊与湖面大气热力性质差异的角度阐释了上述指标为负相关的合理性。月平均尺度上，感热通量与湖-气温差的相关系数为0.87。感热通量、潜热通量与水面净辐射的负相关性更高，相关系数分别为-0.65、-0.53，这种负相关性可以由湖泊在季节变化中的周期性能量收支解释。通过多尺度的湖面湍流水热通量气候归因，本文发现，羊卓雍错的水热湖-气相互作用呈现出显著高寒湖泊特征。湍流水热通量对单一气候因子变化的响应较为敏感，这表明湖泊水热平衡态的稳定性较弱，在不确定性较强的未来气候变化影响下，羊卓雍错流域存在局地气候调节功能减弱、生态系统退化的风险。陆气相互作用方面，高寒湖泊的气候敏感性意味着在长期的气候模拟预测中，干湿变化将在一定程度上改变高原的大气热源作用。